Сотрудники Института когнитивных нейронаук НИУ ВШЭ предложили новый способ обработки данных магнитоэнцефалографии, который позволяет с большей точностью находить зоны активации коры головного мозга. Его можно будет использовать как в фундаментальных исследованиях, так и в клинической практике – для диагностики широкого спектра неврологических расстройств и подготовки пациентов к операциям на головном мозге. Статья с описанием алгоритма опубликована в журнале NeuroImage.
Алексей Осадчий
Метод магнитоэнцефалографии (МЭГ) основан на измерении очень слабых магнитных полей (на несколько порядков слабее магнитного поля Земли), порождаемых электрической активностью нейронов мозга. При использовании МЭГ перед учеными встает непростая задача – понять, какие области в глубине мозга были активны, имея лишь показатели датчиков, расположенных вокруг головы. Она получила название обратной задачи и не имеет универсального решения – любой набор сигналов датчиков может объясняться бесконечным количеством различных конфигураций источников нейронной активности на коре головного мозга.
Чтобы сделать МЭГ практически применимой, используются специальные математические методы превращения сигналов сенсоров в карты активности на коре головного мозга, которые можно объединить в две группы. В рамках так называемого «глобального» подхода множество возможных решений обратной задачи ограничивается, опираясь на общие априорные предположения о мозговой активности, и ищется такое распределение источников по коре головного мозга, которое бы подходило под измеренные данные. «Локальные» методы, к которым относится и описанный в статье алгоритм (ReciPSIICOS), пытаются обнаружить источники по отдельности и из них построить полную картину активности мозга.
ReciPSIICOS использует принцип адаптивного формирования луча – способ обработки показателей сенсоров, позволяющий выделить сигнал активности искомой популяции нейронов источника. Для этого он приглушает сигналы других источников, но не всех нейронных ансамблей, как это делается в «глобальном» подходе, а только тех, которые активны в данный момент. Подавляя лишь активные источники, такой подход способен обеспечить существенно более высокую детальность визуализации активности по сравнению с глобальным подходом. Однако этот метод может ослаблять и искомые сигналы, если они порождаются нейронными ансамблями, активирующимися одновременно с группами нейронов в других областях мозга. В реальных условиях такая корреляция отражает взаимодействие между нейронными популяциями, что является неотъемлемым свойством мозга, и ученым приходится искать способы обойти это ограничение.
Информация об активных нейронных популяциях и характере взаимодействия особым образом скрыта в специальной корреляционной матрице, которую можно рассчитать из исходных данных. Эта матрица и используется алгоритмом формирования луча, чтобы решить, какие из источников стоит подавить. Строго говоря, такой подход работает только тогда, когда источники между собой не взаимодействуют: информация о наличии такого взаимодействия также хранится в корреляционной матрице и негативно сказывается на качестве работы алгоритма формирования луча. Используя модель наблюдаемых данных и модель корреляционной матрицы, ученые разработали математический алгоритм, который способен удалять из корреляционной матрицы информацию о взаимодействии источников. Таким образом удалось вернуть работоспособность методу формирования луча и обеспечить необходимую детальность визуализации взаимодействующих нейронных популяций.
Чтобы оценить работу алгоритма, ученые сгенерировали набор данных, аналогичных сигналам, получаемым сенсорами, и опробовали на них четыре метода: две разновидности ReciPSIICOS и два разработанных ранее алгоритма (метод линейно ограниченного формирования луча с минимальной дисперсией, LCMV и метод, минимизирующий норму решения, MNE). В ситуациях, когда между сигналами нет корреляции, и LCMV, и оба ReciPSIICOS срабатывают хорошо, однако если корреляция есть, ReciPSIICOS справляется с задачей значительно лучше предшественников. Похожим образом различаются и результаты для данных с ошибками – ReciPSIICOS оказался менее чувствительным к неизбежным на практике неточностям используемых моделей. Также ученые продемонстрировали работоспособность и высокие рабочие характеристики нового подхода на примерах обработки реальных МЭГ данных, с которыми не справляется классический алгоритм формирования луча.
«Технология магнитоэнцефалографии сочетает в себе способность регистрировать тонкие аспекты временной динамики нейрональной активности и потенциально достижимую точность локализации активных популяций нейронов. В то время как первое свойство обусловлено измерением быстропротекающих электрических (а не медленных гемодинамических) процессов, для достижения высокой точности локализации необходимы сложные математические методы. Семейство методов ReciPSIICOS и PSIICOS представляет собой один из примеров математических алгоритмов, предназначенных для повышения точности метода магнитоэнцефалографии при решении задач обнаружения активных и взаимодействующих между собой нейронных популяций», – рассказал автор нового метода и руководитель работы, директор Центра биоэлектрических интерфейсов ВШЭ Алексей Осадчий.
Информация и фото предоставлены пресс-службой НИУ ВШЭ
